九大数据分析方法 单指标，多指标

从数据中得出有业务意义的结论。

分析：含义清晰的指标。

分析：数据越丰富，越能得出结论。

数据加上标准，就是结论。

没有标准，先找标准。

场景不同，结论不同。

算法 数据预测或者分类。

统计学 抽样研究 抽样实验。

单指标分析：接触不了新业务，kpi指标，收入或者成本，针对营销 运营 供应链。

周期性分析法：自然周期 春夏秋冬，生命周期：上市推广热销下架，主动行为周期

季节变化，看月份，kpi是否有关系。在月内，月初 月中 月尾的月度规律。

toB业务在月末大，toC规律乱。周规律：工作日和休息日。

认识周期，看清正常走势，评估问题的起点。

产品生命周期：产品销量收入。

导入，成长，成熟，衰退。

不同类产品生命周期对比

典型用户留存周期：

主动行为周期 图片呈现。

投入的边际效益成本 产品上限在哪儿 是否出现拐点。

周期：先看最大最关键的指标，从月到日，逐步缩小范围；

日期上，标注上影响收入的重大举措 促销 政策。

区分新老，新地区，新产品，新用户。

数据异常时，剔除周期因素，才是真正的问题。

结构分析法：看内部结构，为什么这么变化。

直观看到内部结构，与整体业绩相对比。

1。同涨同跌，动力在外面，大环境或者整体政策。

2 有跌有涨，有地方好坏。

按照结构拆解目标；监控指标走势时，看整体变化，再看看分成的结构。

清晰的结构分类，锁定问题。

人 年纪性别 货 商品大类 细类 场 区域 城市 推广渠道。

分层分析法：个体差异；广大子个体，最差劲 最优秀的

差异大的团队，平均数没有参考价值。

举例：二八分层，二八原则。

差异不大，平均数倍数法，说明和平均数的关系。对高级的区分效果更好。

追踪多个月的分层。

生命周期型优秀，持续性优秀，季节性优秀，偶然性优秀。

对个体做分层，根据关键指标。

分层中，关注极端个案，关注平均值差异。

跟踪分层结果是否稳定，与业务讨论是否值得进一步深挖。

多指标分析法

不满足关键指标，

收入加上成本等一起看；

矩阵分析，综合评价好坏；

拆过程，看细节；

矩阵分析法：4个组合的结果。

独立事情的交叉组合。

2个相关度低的指标描述一个事务，将2个指标进行交叉分类，区分事务类型；

用图形散点图表示分类结果。

明确对象和指标，计算平均值，进行分类。而不是针对单个指标。

做出散点图，观察数据形态。

给每个分类命名，找出业务含义。

根据业务含义，比如 吃大户型 待改进 均衡型 摆小摊型，提出相应的建议。

矩阵分析法自带标准，可以去大部分业务评价。

矩阵分析法的结论很清晰，业务指向明确。

最好的例子：波士顿矩阵，相对市场份额和增长率，作为纵横的2个方面。

清晰评估对象，选相关性低并且重要的指标

左上，右下的特殊区域，了解背后的业务问题

持续跟踪业务表现，发现产生效果的业务动作，监控变化。

不适合：指标高度相关，样本太突出，样本需要进一步分析分层；观察的指标不断变化和发展，而不是分析一点的情况。